Lernverfahren von Künstlichen Neuronalen Netzwerken
Lernverfahren von Künstlichen Neuronalen Netzwerken
Lernverfahren von Künstlichen Neuronalen Netzwerken
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
3.5.3 Bemerkungen<br />
- Bevor ein Kohonen-Netzwerk nach der Lernphase angewendet werden kann, muss man zuerst durch Probieren<br />
mit den Trainingsmustern herausfinden, welche Regionen bei welchem Eingabemuster aktiv sind. Es ist<br />
unmöglich dies, wie bei den anderen Modellen vor der Lernphase zu bestimmen.<br />
- Bei Mensch und Tier wurde tatsächlich festgestellt, dass für wichtige Organe die für sensorische Reize<br />
zuständigen Regionen auf der Grosshirnrinde viel grösser sind als für weniger gebrauchte Organe. So sind<br />
beim Menschen die Regionen für Hände und Zunge im Vergleich zu den Regionen, welche die Reize aus anderen<br />
Gegenden verarbeiten überproportional gross. Weiter konnte beobachtet werden, dass Regionen, die für<br />
amputierte Körperteile zuständig waren, allmählich Reize anderer Organe verarbeiten.<br />
3.6 Fazit 16<br />
Neben den vorgestellten Modellen findet man in der Literatur unzählige weitere Netzwerkarchitekturen und Lernalgorithmen.<br />
Um zu entscheiden, welches Modell für eine bestimmte Aufgabenstellung am besten geeignet ist und<br />
wie die Parameter genau eingestellt werden sollen, braucht es neben viel Fachwissen auch ein wenig Fingerspitzengefühl.<br />
Meiner Meinung nach ist dies im Moment einer der grössten Nachteile <strong>von</strong> KNN. Welcher Hersteller<br />
<strong>von</strong> elektronischen Systemen verliert schon gerne Monate für die Entwicklung eines geeigneten neuronalen Netzes,<br />
wenn es nicht unbedingt nötig ist? Gefragt wäre ein universelleres Netzwerkmodell, das man durch eine direktere<br />
Hardwareunterstützung schneller und kostengünstiger einer bestimmten Aufgabe anpassen könnte. Bis dies soweit<br />
ist, muss aber wahrscheinlich noch viel Grundlagenforschung betrieben werden.<br />
4 Anwendungen<br />
In diesem Kapitel beschreibe ich zuerst eigene Beispiele, die ich zur Veranschaulichung des Lernens in KNN gemacht<br />
habe. Alle Programme und die dazugehörenden Anleitungen brannte ich auf CD-Rom, welche sich im Anhang<br />
befinden sollte. Im letzten Unterkapitel wird noch auf die verschiedenen Gebiete in Forschung und Industrie, in<br />
denen neuronale Netze eingesetzt werden, eingegangen.<br />
4.1 Rand- und Buchstabenerkennung<br />
Als erstes schrieb ich ein Randerkennungsprogramm, wie es in Kapitel 3.1.3 detailliert beschrieben wurde. Weil das<br />
Netz sehr klein ist und die Gewichtung schon im voraus bekannt war, musste ich das Netz nicht mehr mit einem<br />
speziellen Simulator trainieren, sondern konnte es direkt mit der Programmiersprache TopPascal schreiben.<br />
Als nächstes wollte ich mich an einem komplexeren Problem versuchen, für das schon heute in der Technik KNN<br />
eingesetzt werden. Zuerst dachte ich an ein Prognose-Programm, z.B. für Börsenkurse oder das Wetter, jedoch hängt<br />
z.B. das Wetter nach der Chaostheorie <strong>von</strong> so vielen und auf den ersten Blick scheinbar belanglosen Faktoren ab,<br />
dass ich mit meinen relativ kleinen Netzen wohl kaum glaubhafte Voraussagen hätte machen können. Ich entschied<br />
mich dann für ein Buchstabenerkennungsprogramm, weil man bei diesem sofort sieht, ob das Netz erfolgreich war<br />
oder nicht.<br />
4.1.1 Vorgehen bei der Entwicklung eines KNN<br />
1. Als erstes musste ich mich entscheiden, wie ich dem Netz die Eingabe übergeben sollte. Ich entschied mich<br />
für die einfachste und naheliegenste Variante: Der zu interpretierende Buchstabe wird in Bildpunkte (=Pixel)<br />
24